pylops 1.6.0

目标

这个python库的灵感来自于matlabspot–一个线性运算符工具箱项目。

线性算子和反问题是许多常用算法的核心 在信号处理、图像处理和遥感中。在处理小规模问题时， python数值科学库遵循">numpy 并且scipy允许执行许多 基本矩阵运算（例如，矩阵向量积的计算和矩阵的操作） 以简单紧凑的方式。

然而，许多有用的算子并不适合于显式矩阵 用于解决大规模问题时的表示。另一方面，pylops算子仍然表示一个矩阵 并且可以用类似的方法来处理，但不依赖于密集（或稀疏）矩阵本身的显式创建。相反地， 前向和伴随算子由模拟矩阵效果的小块代码表示 在一个向量或另一个矩阵上。

幸运的是，许多迭代方法（如cg，lsqr）不需要知道矩阵的各个项就可以求解线性系统。 这种解算器只需要计算正序和伴随矩阵向量乘积，就像对任何pylops算子所做的那样。

下面是一个简单的例子，展示了如何创建稠密的一阶一阶导数算子， 使用numpy/scipy命令应用和反转：

importnumpyasnpfromscipy.linalgimportlstsqnx=7x=np.arange(nx)-(nx-1)/2D=np.diag(0.5*np.ones(nx-1),k=1)- \
    np.diag(0.5*np.ones(nx-1),k=-1)D[0]=D[-1]=0# take away edge effects# y = Dxy=np.dot(D,x)# x = D'yxadj=np.dot(D.T,y)# xinv = D^-1 yxinv=lstsq(D,y)[0]

同样使用pylops命令：

frompylopsimportFirstDerivativeDlop=FirstDerivative(nx,dtype='float64')# y = Dxy=Dlop*x# x = D'yxadj=Dlop.H*y# xinv = D^-1 yxinv=Dlop/y

注意，第二种方法不需要创建密集矩阵，从而减少了 将导数应用于输入向量x。此外，代码比前一种情况更加紧凑和精确 让用户专注于将要通过反演求解的正问题方程的公式化。

项目结构

存储库的组织如下：

• pylops：包含各种线性运算符和辅助例程的python库
• pytests：一组pytests
• 测试数据：pytests和文档中使用的示例数据集
• 文档：Sphinx文档
• 示例：使用Sphinx Gallery嵌入文档中的每个线性运算符的一组Python脚本示例
• 教程：使用Sphinx Gallery嵌入到文档中的一组Python脚本教程

开始

您需要Python3.5或更高版本

来自PYPI

如果你想在代码中使用pylops， 在终端中键入以下命令，将其安装到python环境中：

pip install pylops

打开python终端并键入：

import pylops

如果你没有看到任何错误，你应该好好去享受！

来自Conda Forge

或者，您可以使用conda forge发行版在终端中键入以下命令来安装pylops：

conda install -c conda-forge pylops

来自Github

您也可以直接从主节点安装（尽管不建议这样做）

pip install git+https://git@github.com/equinor/pylops.git@master

来自Docker

最后，如果您只是想尝试pylops，但是没有python在您的 本地机器，您可以使用我们的docker图像。在你的电脑上安装Docker之后， 在终端中键入以下命令（请注意，这将需要一些时间 按下载和安装Docker映像的方式键入：

docker run -it -v /path/to/local/folder:/home/jupyter/notebook -p 8888:8888 mrava87/pylops:notebook

这将给你一个地址，你可以放在你的浏览器，并将打开一个与Pylops的Jupyter笔记本电脑环境 以及安装的其他基本python库。这里/path/to/local/folder是本地文件夹的绝对路径 在计算机上创建笔记本（或包含要继续处理的笔记本）。注意 对笔记本所做的任何操作都将保存在本地文件夹中。

更大的图像与康达分布也可用。只需在 上一个命令。

贡献

想为这个项目做贡献吗？添加氖W操作员或教程？< /P>

我们建议使用蟒蛇分布 确保通过conda包管理器安装所有依赖项。跟随 开始之前，请仔细阅读以下说明和贡献文件。

git clone https://github.com/your_name_here/pylops.git

make dev-install_conda

importnumpyasnpfromscipy.linalgimportlstsqnx=7x=np.arange(nx)-(nx-1)/2D=np.diag(0.5*np.ones(nx-1),k=1)- \
    np.diag(0.5*np.ones(nx-1),k=-1)D[0]=D[-1]=0# take away edge effects# y = Dxy=np.dot(D,x)# x = D'yxadj=np.dot(D.T,y)# xinv = D^-1 yxinv=lstsq(D,y)[0]

importnumpyasnpfromscipy.linalgimportlstsqnx=7x=np.arange(nx)-(nx-1)/2D=np.diag(0.5*np.ones(nx-1),k=1)- \
    np.diag(0.5*np.ones(nx-1),k=-1)D[0]=D[-1]=0# take away edge effects# y = Dxy=np.dot(D,x)# x = D'yxadj=np.dot(D.T,y)# xinv = D^-1 yxinv=lstsq(D,y)[0]

importnumpyasnpfromscipy.linalgimportlstsqnx=7x=np.arange(nx)-(nx-1)/2D=np.diag(0.5*np.ones(nx-1),k=1)- \
    np.diag(0.5*np.ones(nx-1),k=-1)D[0]=D[-1]=0# take away edge effects# y = Dxy=np.dot(D,x)# x = D'yxadj=np.dot(D.T,y)# xinv = D^-1 yxinv=lstsq(D,y)[0]

importnumpyasnpfromscipy.linalgimportlstsqnx=7x=np.arange(nx)-(nx-1)/2D=np.diag(0.5*np.ones(nx-1),k=1)- \
    np.diag(0.5*np.ones(nx-1),k=-1)D[0]=D[-1]=0# take away edge effects# y = Dxy=np.dot(D,x)# x = D'yxadj=np.dot(D.T,y)# xinv = D^-1 yxinv=lstsq(D,y)[0]